CN111461795A - 一种广告点击效果预测方法及系统 - Google Patents

Abstract

本发明公开了一种广告点击效果预测方法及系统，所述方法包括如下步骤：步骤S1，针对每个用户对其在不同媒体上观看不同类型广告的行为进行记录，并将记录的数据作为训练样本，采用随机森林算法进行训练，得到广告点击用户模型；步骤S2，在进行广告投放前，根据所要投放的广告的广告类型以及要投放广告的媒体对用户进行过滤，过滤出广告计划用户；步骤S3，将过滤出的每个广告计划用户输入所述广告点击用户模型进行预测对应用户是否会产生点击。

Description

一种广告点击效果预测方法及系统

技术领域

本发明涉及互联网技术领域，特别是涉及一种根据用户投放需求对广告点 击效果实现预测的广告点击效果预测方法及系统。

背景技术

广告本身是向社会大众传递信息的宣传手段，也是许多公司的重要收入来 源之一。随着全球信息化程度的提高，互联网应用越来越普及，相对于传统媒 体的广告，互联网广告所占比重越来越大，线上广告市场迅速扩展。近年来随 着网络游戏、电子商务的兴起，广告商对网络广告产生的实际效果越来越受到 关注。出钱投放广告的广告主可以向广告平台付费，以通过网页、搜索引擎、 浏览器或其它在线媒体来投放自己的广告，从而很好地推广自己的产品。

随着互联网广告的不断发展，在巨大利润的驱动下，怎样提高广告投放带 来的利润也成为了研究热点。通过对广告点击率进行预测，可以有效地判断一 个用户对一个广告点击行为的可能性，从而对其进行定向的广告投放，有效地 提高被投放广告的广告商的利润。

然而，目前网络广告的点击效果多为人工根据客户订单情况与历史经验进 行预测，依赖人为经验，结果不够准确，而且效率低下。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种广告点击效 果预测方法及系统，以实现更加高效准确地预测广告投放效果，进而帮助广告 主进行广告决策的目的。

为达上述目的，本发明提供一种广告点击效果预测方法，包括如下步骤：

步骤S1，针对每个用户对其在不同媒体上观看不同类型广告的行为进行记 录，并将记录的数据作为训练样本，采用随机森林算法进行训练，得到广告点 击用户模型；

步骤S2，在进行广告投放前，根据所要投放的广告的广告类型以及要投放 广告的媒体对用户进行过滤，过滤出广告计划用户；

步骤S3，将过滤出的每个广告计划用户输入所述广告点击用户模型进行预 测对应用户是否会产生点击。

优选地，步骤S1进一步包括：

步骤S100，监测并记录每个用户在不同媒体上观看不同类型的广告的行 为，从而获得每个用户在不同媒体上对不同广告类型广告的行为记录；

步骤S101，对步骤S100获得的记录数据进行清洗，过滤无效数据；

步骤S102，利用步骤S101清洗后的数据，使用媒体标识、广告类型标识 作为随机森林算法的的输入特征，用户是否点击作为训练标签，利用随机森林 算法进行训练和测试，得到所述广告点击用户模型。

优选地，于步骤S100中，监测并记录每个用户在不同媒体上观看不同类 型广告的次数，以及每个用户在对应媒体上点击不同类型的广告次数。

优选地，于步骤S100之前，还包括如下步骤：

当用户首次访问某媒体时，对首次访问的用户设置初始状态。

优选地，所述设置初始状态为给首次访问的用户设置默认点击率。

优选地，利用该媒体上的平均点击率作为首次访问用户的默认点击率。

优选地，于步骤S3后，还包括如下步骤：

获得所有用户的预测数据进行汇总，统计得到所要投放的广告的最终的预 测点击率。

为达到上述目的，本发明还提供一种广告点击效果预测系统，包括：

模型建立单元，用于针对每个用户对其在不同媒体上观看不同类型广告的 行为进行记录，并将记录的数据作为训练样本，采用随机森林算法进行训练， 得到广告点击用户模型；

用户过滤单元，用于在进行广告投放前，根据所要投放的广告的广告类型 以及要投放广告的媒体对用户进行过滤，过滤出广告计划用户；

模型预测单元，用于将过滤出的每个用户输入所述广告点击用户模型进行 预测对应用户是否会产生点击。

优选地，所述模型建立单元进一步包括：

监测记录模块，监测并记录每个用户在不同媒体上观看不同类型的广告的 行为，从而获得每个用户在不同媒体上对不同广告类型广告的行为记录；

数据清洗模块，对所述监测记录模块获得的记录数据进行清洗，过滤无效 数据；

模型训练模块，用于利用所述数据清洗模块清洗后的数据，使用媒体标识、 广告类型标识作为随机森林算法的的输入特征，用户是否点击作为训练标签， 利用随机森林算法进行训练和测试，得到所述广告点击用户模型。

优选地，所述系统还包括：

结果统计单元，用于获得所有用户的预测数据进行汇总，统计得到本次所 要投放的广告的最终的预测点击率。

与现有技术相比，本发明一种广告点击效果预测方法及系统通过对每个用 户在不同媒体上观看不同类型广告的行为进行记录，并将记录的数据作为训练 样本，采用随机森林算法进行训练，得到广告点击用户模型，在进行广告投放 前，根据所要投放的广告的广告类型以及要投放广告的媒体对用户进行过滤， 过滤出广告计划用户，最后将过滤出的每个广告计划用户输入所述广告点击用 户模型进行预测对应用户是否会产生点击，实现了更加高效准确地预测广告投 放效果，进而帮助广告主进行广告决策的目的。

附图说明

图1为本发明一种广告点击效果预测方法的步骤流程图；

图2为本发明一种广告点击效果预测系统的系统架构图；

图3为本发明具体实施例中模型建立单元201的细部结构图。

具体实施方式

以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术 人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明 亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基 于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

图1为本发明一种广告点击效果预测方法的步骤流程图。如图1所示，本 发明一种广告点击效果预测方法，包括如下步骤：

步骤S1，针对每个用户对其在不同媒体上观看不同类型广告的行为进行记 录，并将记录的数据作为训练样本，采用随机森林算法进行训练，得到广告点 击用户模型。

在本发明具体实施例中，一个完整的广告包括媒体、用户数据以及广告数 据，其中媒体指的是广告展示在哪个媒体的信息，其可以是例如门户网站、网 络游戏、电商网站、视频网站或者应用程序(APP)等，用户数据指的是访问者 数据，广告数据则至少包括广告主类型(例如电商、游戏)以及广告数据，在 本发明中，不同类型广告则指的是广告主类型不同的广告。

具体地，步骤S1进一步包括：

步骤S100，监测并记录每个用户在不同媒体上观看不同类型的广告的行 为，从而获得每个用户在不同媒体(例如不同app)上对不同广告类型广告的行 为记录。具体地，监测并记录每个用户在不同媒体上观看不同类型的广告的行 为，还可以记录每个用户在不同媒体(例如不同应用程序APP)上观看不同类 型广告的次数，以及每个用户在对应媒体(应用程序APP)上点击不同类型的 广告次数，当用户在某一媒体上观看某一类型广告时由该媒体发送广告曝光请 求给系统，此时系统记录广告曝光加1，当用户在对应媒体(APP)上点击某一 类型的广告时，记录其在该媒体上点击该类型广告的的点击次数加1。

在本发明具体实施例中，对n个媒体、n种类型的广告的用户行为进行记 录。例如对一个广告请求的数据记录如下表1所示(表中为多个用户的记录， 每行为一个用户的记录)：

表1

媒体1	媒体2	…	媒体n	广告分类1	广告分类2	…	广告分类n	是否点击
									1	0		0	0	1		0	1
0	0		1	0	0		1	1
									0	0		0	1	0		0	0
0	0		0	0	0		0	0

其中，媒体1的数据是1表示该广告请求在媒体1展示，广告分类2为该 广告请求的广告主类型为广告分类2，是否点击用于记录用户是否点击，1表示 有操作，0表示没操作。

步骤S101，对步骤S100获得的记录数据进行清洗，过滤无效数据。例如 如清洗掉爬虫请求数据，只保留真实用户数据，例如搜索引擎爬虫机器人不是 真实用户，则可通过USER-AGENT与IP信息信息过滤。

步骤S102，利用步骤S101清洗后的数据，使用媒体标识、广告类型标识 作为随机森林算法的的输入特征，用户是否点击作为训练标签，利用随机森林 算法进行训练和测试，得到所述广告点击用户模型。

例如，对训练数据T＝{x,y},x为训练样本,样本个数为n个，对应表1 中除标签外的其他列，x为特征，y为对应的样本的标签，即对应表1中的最后 一列(是否点击)，0代表该广告没有被用户点击，1代表该广告被用户点击。

优选地，于步骤S100之前，还包括如下步骤：

当用户首次访问某媒体时，对首次访问的用户设置初始状态。即当用户首 次访问某媒体时，给首次访问的用户设置默认点击率，在本发明具体实施例中， 可利用该媒体上的平均点击率作为首次访问用户的默认点击率，例如，若用户 第一次访问a媒体，a媒体上的平均点击率为1，则给首次访问的用户对该媒体 的默认点击率设置为1。在本发明中，这里设置点击率是为了使没有足够数据积 累的用户在预测的时候也可以进行预测

步骤S2，在进行广告投放前，根据所要投放的广告的广告类型以及要投放 广告的媒体对用户进行过滤，过滤出广告计划用户。也就是说，在广告主在广 告主需要进行广告投放前，根据广告主设置的广告类型与准备投放广告的媒体 进行过滤，过滤出广告主广告计划的用户，假设平台有100个媒体，广告主想 投放ABC三个媒体的用户，则广告投放前，需要只过滤出ABC三个媒体用户 进行计算。

步骤S3，对过滤出的用户在所要投放的媒体上观看广告的行为进行记录， 将对过滤出的每个用户记录的相关信息输入所述广告点击用户模型进行预测对 应用户是否会产生点击，即将用户访问过的媒体信息与广告情况对应关系(如 上述表1)输入到上述随机森林模型中，以预测出该用户是否会产生点击。

优选地，于步骤S3后，还包括如下步骤：

获得所有用户的预测数据进行汇总，统计得到所要投放的广告的最终的预 测点击率。

图2为本发明一种广告点击效果预测系统的系统架构图。如图2所示，本 发明一种广告点击效果预测系统，包括：

模型建立单元201，用于针对每个用户对其在不同媒体上观看不同类型广 告的行为进行记录，并将记录的数据作为训练样本，采用随机森林算法进行训 练，得到广告点击用户模型。

在本发明具体实施例中，一个完整的广告包括媒体、用户数据以及广告数 据，其中媒体指的是广告展示在哪个媒体的信息，例如门户网站、网络游戏、 电商网站、视频网站或者应用程序(APP)等，用户数据指的是访问者数据，广 告数据指的是投放的广告信息。

具体地，如图3所示，模型建立单元201进一步包括：

监测记录模块201a，监测并记录每个用户在不同媒体上观看不同类型的广 告的行为，从而获得每个用户在不同媒体(例如不同app)上对不同广告类型广 告的行为记录。具体地，监测并记录每个用户在不同媒体上观看不同类型的广 告的行为，还可以监测并记录每个用户在不同媒体(例如不同应用程序APP) 上观看不同类型广告的次数，以及每个用户在对应媒体(应用程序APP)上点 击不同类型的广告次数，当用户在某一媒体上观看某一类型广告时由该媒体发 送广告曝光请求给系统，此时系统记录广告展示，当用户在对应媒体(APP)上 点击某一类型的广告时，记录其在该媒体上观看该类型广告的的次数加1。

在本发明具体实施例中，对n个媒体、n种类型的广告的用户行为进行记 录，记录如下表2所示：

表2

媒体1	媒体2	…	媒体n	广告分类1	广告分类2	…	广告分类n	是否点击
									1	0		0	0	1		0	1
0	0		1	0	0		1	1
									0	0		0	1	0		0	0
0	0		0	0	0		0	0

数据清洗模块201b，对监测记录模块201a获得的记录数据进行清洗，过 滤无效数据。例如如清洗掉爬虫请求数据。

模型训练模块201c，用于利用数据清洗模块201b清洗后的数据，使用媒 体标识、广告类型标识作为随机森林算法的的输入特征，用户是否点击作为训 练标签，利用随机森林算法进行训练和测试，得到所述广告点击用户模型。

例如，对训练数据T＝{x,y},x为训练样本,样本个数为n个，y为对应 的样本的标签，0代表该广告没有被用户点击，1代表该广告被用户点击。

优选地，所述模型建立单元还包括：

初始化模块，用于当监测到用户首次访问某媒体时，对首次访问的用户设 置初始状态。即当用户首次访问某媒体时，给首次访问的用户设置默认点击率， 在本发明具体实施例中，利用该媒体上的平均点击率作为首次访问用户的默认 点击率，例如，若用户第一次访问a媒体，a媒体上的平均点击率为1，则给首 次访问的用户对该媒体的默认点击率设置为1。

用户过滤单元202，用于在进行广告投放前，根据所要投放的广告的广告 类型以及要投放广告的媒体对用户进行过滤，过滤出广告计划用户。也就是说， 在广告主在广告主需要进行广告投放前，根据广告主设置的广告类型与准备投 放广告的媒体进行过滤，过滤出广告主广告计划的用户。

模型预测单元203，用于将过滤出的每个用户输入所述广告点击用户模型 进行预测对应用户是否会产生点击。

优选地，本发明之广告点击效果预测系统，还包括：

结果统计单元，用于获得所有用户的预测数据进行汇总，统计得到本次所 要投放的广告的最终的预测点击率。

实施例

为了验证预测点击率是否准确，在本实施例中，采用两个广告主实际方案 (方案A与方案B)进行预测，其中两个方案对针对不同地域和广告位进行定 向投放。

最终投放结果如下表3所示：

表3

	预测点击率(％)	实际点击率
			方案A	1.31	1.35
方案B	2.68	2.54

从验证结果观察，最终预测结果偏差都在6％以内，通过本发明，对广告 主的广告投放效果决策有推荐价值。

综上所述，本发明一种广告点击效果预测方法及系统通过对每个用户在不 同媒体上观看不同类型广告的行为进行记录，并将记录的数据作为训练样本， 采用随机森林算法进行训练，得到广告点击用户模型，在进行广告投放前，根 据所要投放的广告的广告类型以及要投放广告的媒体对用户进行过滤，过滤出 广告计划用户，最后将过滤出的每个广告计划用户输入所述广告点击用户模型 进行预测对应用户是否会产生点击，实现了更加高效准确地预测广告投放效果， 进而帮助广告主进行广告决策的目的。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。 任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行 修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。

Claims (10)

1.一种广告点击效果预测方法，包括如下步骤：

步骤S1，针对每个用户对其在不同媒体上观看不同类型广告的行为进行记录，并将记录的数据作为训练样本，采用随机森林算法进行训练，得到广告点击用户模型；

步骤S2，在进行广告投放前，根据所要投放的广告的广告类型以及要投放广告的媒体对用户进行过滤，过滤出广告计划用户；

步骤S3，将过滤出的每个广告计划用户输入所述广告点击用户模型进行预测对应用户是否会产生点击。

2.如权利要求1所述的一种广告点击效果预测方法，其特征在于：步骤S1进一步包括：

步骤S100，监测并记录每个用户在不同媒体上观看不同类型的广告的行为，从而获得每个用户在不同媒体上对不同广告类型广告的行为记录；

步骤S101，对步骤S100获得的记录数据进行清洗，过滤无效数据；

步骤S102，利用步骤S101清洗后的数据，使用媒体标识、广告类型标识作为随机森林算法的的输入特征，用户是否点击作为训练标签，利用随机森林算法进行训练和测试，得到所述广告点击用户模型。

3.如权利要求2所述的一种广告点击效果预测方法，其特征在于：于步骤S100中，监测并记录每个用户在不同媒体上观看不同类型广告的次数，以及每个用户在对应媒体上点击不同类型的广告次数。

4.如权利要求2所述的一种广告点击效果预测方法，其特征在于，于步骤S100之前，还包括如下步骤：

当用户首次访问某媒体时，对首次访问的用户设置初始状态。

5.如权利要求4所述的一种广告点击效果预测方法，其特征在于：所述设置初始状态为给首次访问的用户设置默认点击率。

6.如权利要求5所述的一种广告点击效果预测方法，其特征在于：利用该媒体上的平均点击率作为首次访问用户的默认点击率。

7.如权利要求1所述的一种广告点击效果预测方法，其特征在于，于步骤S3后，还包括如下步骤：

获得所有用户的预测数据进行汇总，统计得到所要投放的广告的最终的预测点击率。

8.一种广告点击效果预测系统，包括：

模型建立单元，用于针对每个用户对其在不同媒体上观看不同类型广告的行为进行记录，并将记录的数据作为训练样本，采用随机森林算法进行训练，得到广告点击用户模型；

用户过滤单元，用于在进行广告投放前，根据所要投放的广告的广告类型以及要投放广告的媒体对用户进行过滤，过滤出广告计划用户；

模型预测单元，用于将过滤出的每个用户输入所述广告点击用户模型进行预测对应用户是否会产生点击。

9.如权利要求8所述的一种广告点击效果预测系统，其特征在于，所述模型建立单元进一步包括：

监测记录模块，监测并记录每个用户在不同媒体上观看不同类型的广告的行为，从而获得每个用户在不同媒体上对不同广告类型广告的行为记录；

数据清洗模块，对所述监测记录模块获得的记录数据进行清洗，过滤无效数据；

模型训练模块，用于利用所述数据清洗模块清洗后的数据，使用媒体标识、广告类型标识作为随机森林算法的的输入特征，用户是否点击作为训练标签，利用随机森林算法进行训练和测试，得到所述广告点击用户模型。

10.如权利要求8所述的一种广告点击效果预测系统，其特征在于，所述系统还包括：

结果统计单元，用于获得所有用户的预测数据进行汇总，统计得到本次所要投放的广告的最终的预测点击率。

Images